【学习】应用到文本领域的卷积方法

文章预览

点击上方 “机器学习研究会” 可以订阅哦 摘要   转自：数据学习 tl;dr RNNS对于文本非常有用，但是卷积网络拥有更快的效率 句子的任何部分都可能影响到一个单词的语义。 因此，我们希望我们的网络能够一次看到整个输入 获得这么大的接受能使梯度消失，我们的网络失败 我们可以解决DenseNets或扩张卷的消失梯度问题 有时我们需要生成文本。 我们可以使用“deconvolutions”来产生任意长的输出。 Intro 在过去三年中，由于深度学习的火热，NLP领域经历了巨大的革命。 这场革命的领导者是循环神经网络，特别是其LSTM模型的表现。 同时，计算机视觉领域也被卷积神经网络重塑。 这篇文章探讨了我们“研究文本的人”可以从我们做计算机视觉的朋友那里学到什么。 C ………………………………